잔여 밀집 및 채널 집중 기법을 갖는 재귀적 경량 네트워크 기반의 단일 이미지 초해상도 기법 (Single Image Super Resolution Based on Residual Dense Channel Attention Block-RecursiveSRNet)

서지정보

· 발행기관 : 한국방송∙미디어공학회
· 수록지 정보 : 방송공학회 논문지 / 26권 / 4호 / 429 ~ 440페이지
· 저자명 : 우희조, 심지우, 김응태

초록

최근 심층 합성 곱 신경망 학습의 발전에 따라 단일 이미지 초해상도에 적용되는 심층 학습 기법들은 좋은 성과를 보여주고 있다.
현존하는 딥러닝 기반 초해상도 기법들 중 하나로 잔여 밀집 블록을 이용하여 초기의 특징 정보를 마지막 계층에 전달하여 이후의 계층들이 이전의 계층들의 입력정보를 사용하여 복원하는 RDN(Residual Dense Network)이 있다. 하지만 계층적인 모든 특징을 연결하여 학습하고 다수의 잔여 밀집 블록을 쌓게 되면 좋은 성능에도 불구하고 많은 파라미터의 수와 연산량을 가지게 되어 느린 처리 속도와 네트워크를 학습하는데 많은 시간이 소요되고 모바일 시스템에 적용이 어렵다는 단점을 가지고 있다. 본 논문에서는 이전의 정보를 다시 사용하는 연속 메모리 구조인 잔여 밀집 구조와 이미지의 특징맵에 따라 중요도를 결정해주는 채널 집중 기법을 이용한 잔여밀집 채널 집중 블록을 재귀적인 방식으로 사용하여 추가적인 파라미터 없이 네트워크의 깊이를 늘려 큰 수용 영역을 얻으며 동시에간결한 모델을 유지할 수 있는 방식을 제안한다. 실험 결과 제안하는 네트워크는 RDN과 비교 하였을 때 4배 확대 배율에서 평균적으로 PSNR 0.205dB만큼 낮지만 약 1.8배 더 빠른 처리속도, 약 10배 더 적은 파라미터의 수와 약 1.74배 더 적은 연산량을 갖는 것을실험을 통해 확인하였다.

영어초록

With the recent development of deep convolutional neural network learning, deep learning techniques applied to single imagesuper-resolution are showing good results. One of the existing deep learning-based super-resolution techniques is RDN(ResidualDense Network), in which the initial feature information is transmitted to the last layer using residual dense blocks, and subsequentlayers are restored using input information of previous layers. However, if all hierarchical features are connected and learned anda large number of residual dense blocks are stacked, despite good performance, a large number of parameters and hugecomputational load are needed, so it takes a lot of time to learn a network and a slow processing speed, and it is not applicableto a mobile system. In this paper, we use the residual dense structure, which is a continuous memory structure that reusesprevious information, and the residual dense channel attention block using the channel attention method that determines theimportance according to the feature map of the image. We propose a method that can increase the depth to obtain a largereceptive field and maintain a concise model at the same time. As a result of the experiment, the proposed network obtainedPSNR as low as 0.205dB on average at 4× magnification compared to RDN, but about 1.8 times faster processing speed, about 10times less number of parameters and about 1.74 times less computation.

참고자료

· 없음